本發(fā)明涉及電力服務(wù)，具體為一種客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法及系統(tǒng)。

背景技術(shù)：

1、第三方客戶(hù)滿(mǎn)意度調(diào)查每年會(huì)覆蓋網(wǎng)、省、地、縣四級(jí)電網(wǎng)企業(yè)，涉及廣東、廣西、云南、貴州、海南、深圳6個(gè)省級(jí)電網(wǎng)企業(yè)，65地市級(jí)電網(wǎng)企業(yè)及513個(gè)縣級(jí)電網(wǎng)企業(yè)。調(diào)查指標(biāo)分為三層，包括1個(gè)一級(jí)指標(biāo)，6個(gè)二級(jí)指標(biāo)，18個(gè)三級(jí)指標(biāo)。傳統(tǒng)的做法是按照測(cè)評(píng)規(guī)則涉及的工業(yè)、商業(yè)、居民及其它四類(lèi)客戶(hù)的抽樣比例安排走訪計(jì)劃，工業(yè)、商業(yè)、其他三類(lèi)客戶(hù)量相對(duì)較少，一般會(huì)要求全量走訪，居民客戶(hù)因各單位數(shù)量龐大基本只能抽樣走訪。但是在實(shí)際走訪工作中，會(huì)因時(shí)間緊、員工少、客戶(hù)數(shù)量多、走訪目的不精準(zhǔn)等因素，即使前三類(lèi)客戶(hù)數(shù)量相對(duì)較少也難以做到全量有效走訪，再加之居民抽樣的隨機(jī)性，導(dǎo)致走訪很難達(dá)到修復(fù)客戶(hù)關(guān)系的目的，還浪費(fèi)人力資源。

2、凱里電網(wǎng)工業(yè)、商業(yè)、居民及其他客戶(hù)數(shù)量近200萬(wàn)戶(hù)，每個(gè)客戶(hù)在電網(wǎng)公司辦理業(yè)務(wù)的體驗(yàn)感可能不同，其期望值也存在差異性，對(duì)電網(wǎng)公司的認(rèn)同感也可能不斷變化。加之客戶(hù)關(guān)系存在復(fù)雜性、多變性，需要綜合評(píng)估，對(duì)體驗(yàn)感差、抱怨度大的客戶(hù)還需組織上門(mén)走訪修復(fù)關(guān)系。針對(duì)數(shù)量大、測(cè)評(píng)規(guī)則復(fù)雜的情況，就需要建立客戶(hù)關(guān)系風(fēng)險(xiǎn)評(píng)價(jià)數(shù)字化模型代替?zhèn)鹘y(tǒng)的“盲走”和“無(wú)效走訪”。同時(shí)，走訪形式也需要從紙質(zhì)的一戶(hù)一張問(wèn)卷變成手機(jī)app工具走訪，不僅能節(jié)約走訪時(shí)間，還能提升傳統(tǒng)走訪結(jié)束后收集整理歸類(lèi)客戶(hù)問(wèn)題的效率。該模型從客戶(hù)價(jià)值、客戶(hù)訴求、客戶(hù)評(píng)價(jià)相關(guān)特征值綜合分析，取10個(gè)特征值進(jìn)行反復(fù)驗(yàn)證、固化模型，輸出科學(xué)合理的走訪計(jì)劃至供電運(yùn)營(yíng)指揮平臺(tái)和手機(jī)app走訪工具。真正實(shí)現(xiàn)精準(zhǔn)尋找評(píng)價(jià)“一般”甚至“不滿(mǎn)意”的客戶(hù)群體。通過(guò)數(shù)字驅(qū)動(dòng)、智能分類(lèi)，風(fēng)險(xiǎn)量化，基于客戶(hù)訴求生成客戶(hù)走訪計(jì)劃，既能為客戶(hù)創(chuàng)造價(jià)值，也能為企業(yè)創(chuàng)造價(jià)值。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述存在的問(wèn)題，提出了本發(fā)明。

2、因此，本發(fā)明解決的技術(shù)問(wèn)題是：本發(fā)明是解決傳統(tǒng)的電網(wǎng)客戶(hù)實(shí)際走訪工作中，有時(shí)間緊、員工少、客戶(hù)數(shù)量多、走訪目的不精準(zhǔn)等因素，即使前三類(lèi)客戶(hù)數(shù)量相對(duì)較少也難以做到全量有效走訪，再加之居民抽樣的隨機(jī)性，導(dǎo)致走訪很難達(dá)到修復(fù)客戶(hù)關(guān)系的目的，還浪費(fèi)人力資源的問(wèn)題。

3、為解決上述技術(shù)問(wèn)題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明提供了一種客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法，包括：

5、獲取全量工單，根據(jù)所述全量工單中的字段提取第一特征值，通過(guò)構(gòu)建決策樹(shù)融合隨機(jī)森林計(jì)算方法得到第二特征值，根據(jù)人工經(jīng)驗(yàn)得到第三特征值與所述第一特征值、所述第二特征值構(gòu)成特征值集；

6、根據(jù)所述特征值集構(gòu)建客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型，對(duì)所述客戶(hù)關(guān)系風(fēng)險(xiǎn)模型進(jìn)行固化，得到第一客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型；

7、對(duì)所述全量工單中的數(shù)據(jù)進(jìn)行計(jì)算，得到第一閾值和第二閾值，在所述第一客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型中，利用所述特征值集中特征值的權(quán)重分配和量化評(píng)分得到綜合風(fēng)險(xiǎn)值，通過(guò)所述第一閾值和第二閾值與所述綜合風(fēng)險(xiǎn)值的判斷，將所述綜合風(fēng)險(xiǎn)值映射對(duì)應(yīng)不同的風(fēng)險(xiǎn)等級(jí)，并將得到的風(fēng)險(xiǎn)等級(jí)結(jié)果進(jìn)行反向求解；

8、利用所述第一客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型對(duì)特征集進(jìn)行訓(xùn)練，通過(guò)交叉驗(yàn)證特征值的方法優(yōu)化特征值集，得到第一特征值集，根據(jù)第一特征值集的權(quán)重分配和量化評(píng)分得到第一綜合風(fēng)險(xiǎn)值，將所述第一綜合風(fēng)險(xiǎn)值二次映射對(duì)應(yīng)不同的風(fēng)險(xiǎn)等級(jí)，根據(jù)不同的風(fēng)險(xiǎn)等級(jí)得到客戶(hù)走訪計(jì)劃。

9、作為本發(fā)明所述的客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法的一種優(yōu)選方案，其中：第三特征值與所述第一特征值、所述第二特征值構(gòu)成特征值集包括：

10、特征值包括客戶(hù)價(jià)值中的用電類(lèi)別、業(yè)務(wù)類(lèi)型和業(yè)務(wù)子類(lèi)；

11、客戶(hù)訴求中的信息來(lái)源、業(yè)務(wù)標(biāo)簽、關(guān)鍵詞、緊急程度和重要程度；

12、客戶(hù)評(píng)價(jià)中的來(lái)電次數(shù)和歸檔評(píng)議；

13、通過(guò)三個(gè)維度十個(gè)特征值構(gòu)建客戶(hù)關(guān)系風(fēng)險(xiǎn)模型。

14、作為本發(fā)明所述的客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法的一種優(yōu)選方案，其中：構(gòu)建決策樹(shù)包括：

15、從決策樹(shù)的起始點(diǎn)開(kāi)始構(gòu)建決策樹(shù)，選擇訴求類(lèi)型作為當(dāng)前節(jié)點(diǎn)的劃分依據(jù)，將訴求類(lèi)型劃分為投訴和其他兩個(gè)分支；

16、對(duì)投訴分支進(jìn)行第一次處理，若非滿(mǎn)意，則選擇外部渠道和內(nèi)部渠道作為第一次處理節(jié)點(diǎn)的分支進(jìn)行第二次處理；

17、對(duì)外部渠道根據(jù)第二次處理結(jié)果進(jìn)行第三次處理，選擇專(zhuān)業(yè)類(lèi)型作為第三次處理節(jié)點(diǎn)的分支，根據(jù)第三次處理結(jié)果進(jìn)行第四次處理，選擇客戶(hù)類(lèi)型作為第四次處理節(jié)點(diǎn)的分支進(jìn)行對(duì)應(yīng)的第六次處理；

18、對(duì)內(nèi)部渠道根據(jù)第二次處理結(jié)果進(jìn)行第三次處理，若對(duì)第二次處理結(jié)果為其他，則客戶(hù)類(lèi)型作為第三次處理節(jié)點(diǎn)的分支進(jìn)行對(duì)應(yīng)的第六次處理；若對(duì)第二次處理結(jié)果為不滿(mǎn)意，則選擇專(zhuān)業(yè)類(lèi)型作為第三次處理節(jié)點(diǎn)的分支，根據(jù)第三次處理結(jié)果進(jìn)行第四次處理，對(duì)于跨專(zhuān)業(yè)類(lèi)型將訴求次數(shù)作為第四次處理節(jié)點(diǎn)的分支，根據(jù)第四次處理結(jié)果進(jìn)行第五次處理，對(duì)于多次訴求，將客戶(hù)類(lèi)型作為第五次處理節(jié)點(diǎn)的分支進(jìn)行對(duì)應(yīng)的第六次處理。

19、作為本發(fā)明所述的客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法的一種優(yōu)選方案，其中：還包括：

20、對(duì)其他分支進(jìn)行第一次處理，若不滿(mǎn)意進(jìn)行第三次處理，選擇專(zhuān)業(yè)類(lèi)型作為第三次處理節(jié)點(diǎn)的分支，根據(jù)第三次處理結(jié)果進(jìn)行第四次處理，對(duì)于跨專(zhuān)業(yè)類(lèi)型將訴求次數(shù)作為第四次處理節(jié)點(diǎn)的分支，對(duì)于第四次處理結(jié)果進(jìn)行第五次處理，將客戶(hù)類(lèi)型作為第五次處理節(jié)點(diǎn)的分支進(jìn)行對(duì)應(yīng)的第六次處理；

21、若對(duì)第一次處理為其他，進(jìn)行第三次處理，根據(jù)第三次處理結(jié)果，選擇客戶(hù)類(lèi)型作為第三次處理節(jié)點(diǎn)的分支進(jìn)行對(duì)應(yīng)的第六次處理。

22、作為本發(fā)明所述的客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法的一種優(yōu)選方案，其中：將所述綜合風(fēng)險(xiǎn)值映射對(duì)應(yīng)不同的風(fēng)險(xiǎn)等級(jí)包括：

23、確定影響風(fēng)險(xiǎn)評(píng)估的關(guān)鍵因素，為每個(gè)風(fēng)險(xiǎn)因素定義特征值，并對(duì)每個(gè)風(fēng)險(xiǎn)因素分配權(quán)重，將每個(gè)特征值乘以對(duì)應(yīng)的權(quán)重，得到每個(gè)特征的得分，將所有特征的得分相加，得到綜合風(fēng)險(xiǎn)值；

24、將綜合風(fēng)險(xiǎn)值映射對(duì)應(yīng)不同風(fēng)險(xiǎn)等級(jí)，當(dāng)綜合風(fēng)險(xiǎn)值大于第一閾值，為紅色風(fēng)險(xiǎn)；當(dāng)綜合風(fēng)險(xiǎn)值小于等于第一閾值大于第二閾值為黃色風(fēng)險(xiǎn)；當(dāng)綜合風(fēng)險(xiǎn)值小于等于第二閾值為綠色風(fēng)險(xiǎn)。

25、作為本發(fā)明所述的客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法的一種優(yōu)選方案，其中：將得到的風(fēng)險(xiǎn)等級(jí)結(jié)果進(jìn)行反向求解包括：

26、將預(yù)測(cè)的風(fēng)險(xiǎn)等級(jí)結(jié)果與實(shí)際的風(fēng)險(xiǎn)等級(jí)結(jié)果進(jìn)行對(duì)比，若預(yù)測(cè)的風(fēng)險(xiǎn)等級(jí)結(jié)果與實(shí)際的風(fēng)險(xiǎn)等級(jí)結(jié)果一致，則第一客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型預(yù)測(cè)準(zhǔn)確。

27、作為本發(fā)明所述的客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法的一種優(yōu)選方案，其中：通過(guò)交叉驗(yàn)證特征值的方法優(yōu)化特征值集包括：

28、將第一特征值集分成k個(gè)子集，選擇一個(gè)子集作為測(cè)試集，k-1個(gè)子集作為訓(xùn)練集，重復(fù)k次，每次選擇不同的子集作為測(cè)試集；

29、每次訓(xùn)練后的模型在測(cè)試集上評(píng)估，得到客戶(hù)畫(huà)像模型的第一性能指標(biāo)；

30、將第一特征值集按照時(shí)間順序分成時(shí)間窗口，選擇一個(gè)時(shí)間窗口作為測(cè)試集，其余時(shí)間窗口作為訓(xùn)練集，重復(fù)這個(gè)過(guò)程，每次選擇不同的時(shí)間窗口作為測(cè)試集；

31、每次訓(xùn)練后的模型在測(cè)試集上進(jìn)行評(píng)估，得到客戶(hù)畫(huà)像模型的第二性能指標(biāo)；

32、結(jié)合客戶(hù)畫(huà)像模型的第一性能指標(biāo)和第二性能指標(biāo)，得到最優(yōu)參數(shù)組合，即為第二特征值集。

33、第二方面，本發(fā)明提供了一種客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究的系統(tǒng)，包括：

34、特征值提取模塊，用于獲取全量工單，根據(jù)所述全量工單中的字段提取第一特征值，通過(guò)構(gòu)建決策樹(shù)融合隨機(jī)森林計(jì)算方法得到第二特征值，根據(jù)人工經(jīng)驗(yàn)得到第三特征值與所述第一特征值、所述第二特征值構(gòu)成特征值集；

35、模型構(gòu)建模塊，用于根據(jù)所述特征值集構(gòu)建客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型，對(duì)所述客戶(hù)關(guān)系風(fēng)險(xiǎn)模型進(jìn)行固化，得到第一客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型；

36、計(jì)算模塊，用于對(duì)所述全量工單中的數(shù)據(jù)進(jìn)行計(jì)算，得到第一閾值和第二閾值，在所述第一客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型中，利用所述特征值集中特征值的權(quán)重分配和量化評(píng)分得到綜合風(fēng)險(xiǎn)值，通過(guò)所述第一閾值和第二閾值與所述綜合風(fēng)險(xiǎn)值的判斷，將所述綜合風(fēng)險(xiǎn)值映射對(duì)應(yīng)不同的風(fēng)險(xiǎn)等級(jí)，并將得到的風(fēng)險(xiǎn)等級(jí)結(jié)果進(jìn)行反向求解；

37、映射模塊，用于利用所述第一客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型對(duì)特征集進(jìn)行訓(xùn)練，通過(guò)交叉驗(yàn)證特征值的方法優(yōu)化特征值集，得到第一特征值集，根據(jù)第一特征值集的權(quán)重分配和量化評(píng)分得到第一綜合風(fēng)險(xiǎn)值，將所述第一綜合風(fēng)險(xiǎn)值二次映射對(duì)應(yīng)不同的風(fēng)險(xiǎn)等級(jí)，根據(jù)不同的風(fēng)險(xiǎn)等級(jí)得到客戶(hù)走訪計(jì)劃。

38、第三方面，本發(fā)明提供了一種計(jì)算設(shè)備，包括：

39、存儲(chǔ)器和處理器；

40、所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)可執(zhí)行指令，所述處理器用于執(zhí)行所述計(jì)算機(jī)可執(zhí)行指令，該計(jì)算機(jī)可執(zhí)行指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法的步驟。

41、第四方面，本發(fā)明提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其存儲(chǔ)有計(jì)算機(jī)可執(zhí)行指令，該計(jì)算機(jī)可執(zhí)行指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法的步驟。

42、本發(fā)明的有益效果：本發(fā)明所提出的客戶(hù)關(guān)系風(fēng)險(xiǎn)量化模型研究方法實(shí)現(xiàn)了數(shù)字賦能業(yè)務(wù)高效運(yùn)轉(zhuǎn)，構(gòu)建客戶(hù)關(guān)系風(fēng)險(xiǎn)量化數(shù)字化模型，能準(zhǔn)確地找到在用電過(guò)程中“獲得感”較差、“抱怨度”較高的客戶(hù)群體，為業(yè)務(wù)的風(fēng)險(xiǎn)分析、趨勢(shì)預(yù)測(cè)、策略制定提供依據(jù)，實(shí)現(xiàn)業(yè)務(wù)提質(zhì)、降本、增效，通過(guò)數(shù)字驅(qū)動(dòng)、智能分類(lèi)，風(fēng)險(xiǎn)量化，提高服務(wù)質(zhì)量、優(yōu)化電力營(yíng)商環(huán)境、提升客戶(hù)滿(mǎn)意度、降低電網(wǎng)企業(yè)的生產(chǎn)經(jīng)營(yíng)成本，提高走訪效率、提升關(guān)系修復(fù)效果，產(chǎn)生直接和間接的經(jīng)濟(jì)效益。